지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 여인권
- 발행연도
- 2021
- 저작권
- 숙명여자대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
범주 불균형은 범주들의 개체 수가 차이 나는 데이터를 분류할 때 발생한다. 일반적인 분류 모형은 균형 데이터 개체의 적합값을 0.5 기준으로 분류하여 범주를 예측한다. 그러나 불균형 데이터의 적합값을 0.5로 분류하면 대부분의 개체를 다수 범주로 분류하여 소수 범주의 개체를 제대로 예측해내지 못한다. 본 논문에서는 소수 범주의 분류 정확도를 높이기 위해 분류 기준점을 조정하는 새로운 방법을 제시한다.
제안하는 방법은 범주 내 개체들의 이질성 척도인 불순도를 기반으로 하는 분류 기준점 조정 방법이다. 불순도를 최소화하는 값을 분류 기준점으로 설정하는 것이 핵심이다. 주실험으로 불균형 데이터를 불순도 기준으로 분류한 결과와 0.5로 분류한 결과를 비교한다. 소수 범주의 분류 정확도, Balanced Accuracy, G-Mean 등의 측도로 성능을 계산한 결과, 제안하는 방법에서 모든 성능이 전체적으로 향상되었다. 이후 샘플링으로 범주의 비율을 임의로 조정하여 같은 실험을 수행하였다. 그 결과, 데이터에 따라 분류 성능에 차이가 있지만, 0.5가 최적의 분류 기준점이 아닐 수 있으며, 불순도에 기반한 기준점에서 소수 범주의 정확도가 더 높아질 수 있음을 확인하였다.
제안하는 방법은 범주 내 개체들의 이질성 척도인 불순도를 기반으로 하는 분류 기준점 조정 방법이다. 불순도를 최소화하는 값을 분류 기준점으로 설정하는 것이 핵심이다. 주실험으로 불균형 데이터를 불순도 기준으로 분류한 결과와 0.5로 분류한 결과를 비교한다. 소수 범주의 분류 정확도, Balanced Accuracy, G-Mean 등의 측도로 성능을 계산한 결과, 제안하는 방법에서 모든 성능이 전체적으로 향상되었다. 이후 샘플링으로 범주의 비율을 임의로 조정하여 같은 실험을 수행하였다. 그 결과, 데이터에 따라 분류 성능에 차이가 있지만, 0.5가 최적의 분류 기준점이 아닐 수 있으며, 불순도에 기반한 기준점에서 소수 범주의 정확도가 더 높아질 수 있음을 확인하였다.
목차
1. 서론 = 12. 관련 연구 = 42.1. 샘플링(Sampling) = 42.1.1. 언더샘플링(RUS, Random Under Sampling) = 42.1.2. 오버샘플링(ROS, Random Over Sampling) = 52.1.3. SMOTE(Synthetic Minority Oversampling Technique) = 52.2. 임계값 조정 방법 = 62.3. 성능 평가 측도 = 72.3.1. 오류율(False Rate) = 92.3.2. Balanced Accuracy = 92.3.3. Geometric Mean(G-Mean) = 102.3.4. F1-Score = 103. 제안 방법 = 123.1. 불순도 지수 = 123.1.1. 카이제곱 통계량 = 123.1.2. 지니 지수 = 133.1.3. 엔트로피 지수 = 143.2. 불순도 기반 분류 기준점 조정 방법 = 154. 실험 및 결과 = 194.1. 실험 데이터 = 194.2. 실험 설계 = 204.2.1. 주실험 = 214.2.2. 샘플링 응용 실험 = 214.3. 실험 결과 = 224.3.1. 주실험 결과 = 234.3.2. 샘플링 응용 실험 결과 = 265. 결론 = 35참고문헌 = 37
최근 본 자료
댓글(0)
0